# NumPy

NumPy( erical Python의 약자)는 파이썬에서 과학적 계산을 수행하기 위한 핵심 라이브러리로, 대규모치 데이터를 효율적으로 처리할 수 있는 다차 배열 객체(`nd`)와 이를 다루기 위한 다양한 수학 함수를 제공합니다. 특히 데이터과학, 머신러닝, 물리학, 공학 등 다양한 분야에서 기본 도구로 사용되며, Pandas, SciPy, scikit-learn, TensorFlow 등 많은 파이썬 기반 라이브러리의 기반을 이루고 있습니다.

NumPy는 C 언어로 핵심 연산을 구현하여 높은 성능을 제공하며, 파이썬의 기본 리스트에 비해 메모리 효율성과 계산 속도 면에서 월등한 성능을 보입니다.

---

## 개요

NumPy는 2005년에 Travis Oliphant에 의해 개발된 오픈소스 라이브러리로, 파이썬을 과학 계산용 언어로 확장하기 위한 목적으로 설계되었습니다. NumPy의 중심은 **N차원 배열**(ndarray) 객체이며, 이 배열을 통해 벡터, 행렬, 텐서 등의 수학적 구조를 자연스럽게 표현하고 연산할 수 있습니다.

NumPy는 다음과 같은 주요 기능을 제공합니다:

- 고성능의 다차원 배열 객체
- 배열 기반의 수학적 연산 (선형대수, 푸리에 변환, 난수 생성 등)
- 배열 슬라이싱, 인덱싱, 브로드캐스팅(Broadcasting)
- C/C++, 포트란 코드와의 통합 인터페이스

---

## 주요 기능과 특징

### 1. `ndarray`: N차원 배열 객체

NumPy의 핵심은 `numpy.ndarray` 클래스입니다. 이 객체는 동일한 데이터 타입의 요소로 구성된 고정 크기의 다차원 배열이며, 메모리 상에서 연속적으로 저장되어 빠른 접근이 가능합니다.

```python
import numpy as np

# 1차원 배열 생성
arr1 = np.array([1, 2, 3, 4])
print(arr1)  # [1 2 3 4]

# 2차원 배열 생성
arr2 = np.array([[1 2], [3, 4]])
print(arr2)
# [[1 2]
#  [3 4]]
```

`ndarray`는 다음과 같은 속성을 가집니다:

| 속성 | 설명 |
|------|------|
| `shape` | 배열의 차원 구조 (예: (3, 4)는 3행 4열) |
| `dtype` | 배열 요소의 데이터 타입 (int32, float64 등) |
| `size` | 전체 요소의 개수 |
| `ndim` | 차원 수 (1차원, 2차원 등) |

---

### 2. 배열 생성 방법

NumPy는 다양한 방식으로 배열을 생성할 수 있습니다.

- `np.array()`: 파이썬 리스트 등으로부터 배열 생성
- `np.zeros()`, `np.ones()`: 0 또는 1로 채워진 배열 생성
- `np.arange()`: 특정 범위의 숫자를 포함하는 배열 생성
- `np.linspace()`: 균등 간격의 숫자 배열 생성
- `np.random.rand()`: 난수로 구성된 배열 생성

```python
zeros = np.zeros((2, 3))        # 2x3 배열, 모든 요소 0
ones = np.ones((2, 2))          # 2x2 배열, 모든 요소 1
range_arr = np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
random_arr = np.random.rand(3)  # [0,1) 범위의 난수 3개
```

---

### 3. 배열 연산

NumPy 배열은 요소별(element-wise) 연산을 기본적으로 지원합니다. 이는 별도의 반복문 없이도 벡터화된 연산을 가능하게 하여 성능을 크게 향상시킵니다.

```python
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print(a + b)  # [5 7 9]
print(a * b)  # [4 10 18]
print(a ** 2) # [1 4 9]
```

또한 선형대수 연산도 지원합니다:

```python
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 행렬 곱셈
C = np.dot(A, B)
# 또는 A @ B (파이썬 3.5+)
```

---

### 4. 브로드캐스팅 (Broadcasting)

브로드캐스팅은 크기가 다른 배열 간의 연산을 가능하게 하는 강력한 기능입니다. 작은 배열이 자동으로 큰 배열의 형태에 맞춰 확장되어 연산됩니다.

```python
arr = np.array([[1, 2, 3], [4, 5, 6]])
scalar = 10
result = arr + scalar  # 모든 원소에 10이 더해짐
```

이 기능은 벡터화된 코드 작성을 단순화하며, 성능 저하 없이 수학적 표현을 직관적으로 구현할 수 있게 합니다.

---

### 5. 인덱싱과 슬라이싱

NumPy는 고급 인덱싱 기능을 제공합니다.

- 정수 인덱싱, 슬라이싱
- 불리언 인덱싱
- 배열 인덱싱

```python
arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4])           # [20 30 40]
print(arr[arr > 25])      # [30 40 50]

# 2차원 배열에서 특정 행/열 선택
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix[1, :])       # [4 5 6] (2번째 행)
print(matrix[:, 0])       # [1 4 7] (1번째 열)
```

---

## 성능 이점

NumPy는 파이썬의 기본 리스트에 비해 다음과 같은 성능 이점을 제공합니다:

- **속도**: C로 구현된 저수준 연산을 사용하여 빠른 계산
- **메모리 효율**: 배열 요소가 동일한 타입이므로 메모리 패킹이 효율적
- **벡터화**: 반복문 없이 전체 배열 연산 가능 → 코드 간결 + 속도 향상

예를 들어, 백만 개의 숫자를 제곱하는 연산에서 NumPy는 파이썬 리스트의 `for` 루프보다 수십 배 빠릅니다.

---

## 관련 라이브러리와 생태계

NumPy는 파이썬 과학 계산 생태계의 기반이며, 다음 라이브러리들이 NumPy 배열을 기본 데이터 구조로 사용합니다:

- **Pandas**: 데이터 분석용, NumPy 배열 기반의 `Series`와 `DataFrame`
- **SciPy**: 과학적 계산 및 수치 알고리즘
- **Matplotlib**: 시각화, NumPy 배열을 입력으로 사용
- **scikit-learn**: 머신러닝, 학습 데이터를 NumPy 배열로 처리

---

## 참고 자료

- [공식 문서](https://numpy.org/doc/)
- Oliphant, T. E. (2006). *A guide to NumPy*. Trelgol Publishing.
- VanderPlas, J. (2016). *Python Data Science Handbook*. O'Reilly Media.

NumPy는 현대 데이터과학의 필수 도구로, 그 사용법을 익히는 것은 파이썬 기반 과학 계산의 첫걸음이라 할 수 있습니다.